Cómo mejora la IA generativa la gestión de la cadena de suministro

La idea en breve El problema A pesar de los avances en la digitalización de la gestión de la cadena de suministro y en la toma de decisiones basadas en datos, los planificadores y ejecutivos de las empresas siguen dedicando mucho tiempo y esfuerzo a comprender las recomendaciones de sus sistemas y a actualizar sus modelos subyacentes. La solución Como ha demostrado el negocio en la nube de Microsoft, la IA generativa -específicamente, los grandes modelos de lenguaje (LLM)- puede automatizar el descubrimiento de datos, la generación de ideas y el análisis de escenarios, reduciendo significativamente el tiempo de toma de decisiones. Las ventajas La tecnología basada en LLM permite a los planificadores interactuar directamente con las herramientas de gestión de la cadena de suministro sin la ayuda de los científicos de datos y un día podría permitir a las empresas automatizar los principales procesos y crear otros nuevos. Las empresas se enfrentan a diversos retos complejos a la hora de diseñar y optimizar sus cadenas de suministro. Aumentar su resistencia, reducir costes y mejorar la calidad de su planificación son sólo algunos de ellos. En las últimas décadas, los avances en las tecnologías de la información han permitido a las empresas pasar de una toma de decisiones basada en la intuición y la experiencia a métodos más automatizados y basados en datos. Como resultado, las empresas han experimentado un aumento de la eficacia, una reducción sustancial de los costes y una mejora del servicio al cliente. Desgraciadamente, los planificadores y ejecutivos de las empresas siguen necesitando dedicar un tiempo y un esfuerzo considerables para comprender las recomendaciones que salen de sus sistemas, analizar diversos escenarios y llevar a cabo análisis hipotéticos. Actualizar los modelos matemáticos de las herramientas de gestión de la cadena de suministro para que reflejen los cambios en el entorno empresarial también lleva mucho tiempo. Para resolver estos problemas, los planificadores y ejecutivos han tenido que recurrir a equipos de ciencia de datos o a los proveedores de tecnología para explicar los resultados o realizar cambios en el sistema. Los recientes avances en los grandes modelos lingüísticos (LLM), un tipo de IA generativa, permiten ahora realizar estas actividades sin ese apoyo, lo que reduce el tiempo de toma de decisiones de días y semanas a minutos y horas y aumenta drásticamente la productividad y el impacto de los planificadores y ejecutivos. En este artículo exploraremos cómo pueden utilizarse los LLM para generar perspectivas a partir de los datos que permitan a los ejecutivos comprender mejor el estado de sus cadenas de suministro, responder a preguntas del tipo "qué pasaría si..." y actualizar las herramientas de gestión de la cadena de suministro para tener en cuenta el entorno empresarial actual. También destacaremos los retos que deben superar las empresas para adoptar los LLM y las oportunidades de ampliar sus aplicaciones en el futuro. Las experiencias que compartiremos proceden en su mayor parte del empleo por parte de Microsoft de un sistema basado en LLM para gestionar el suministro de servidores y otro hardware a más de 300 centros de datos de todo el mundo en apoyo de sus servicios en la nube. Microsoft puso a prueba su sistema basado en LLM entre marzo de 2023 y octubre de 2023 antes de desplegarlo por completo en noviembre de 2023. Desde entonces, el sistema ha tenido un notable impacto en la eficiencia y la productividad, medido por el tiempo de respuesta a incidentes y la rapidez en la toma de decisiones, y se espera que esas ganancias aumenten a medida que el sistema se perfeccione aún más con el tiempo. Sin embargo, las capacidades de las que hablamos no dependen del uso de un producto de Microsoft; se podría utilizar una amplia variedad de los LLM de alta calidad disponibles en la actualidad para conseguirlas. Exploremos ahora las ventajas que pueden aportar los LLM. Consideremos una cadena de suministro clásica con un cierto número de proveedores de materias primas, fábricas para producir productos y minoristas que venden esos productos. Con un LLM, un planificador puede formular en lenguaje sencillo preguntas como "¿Cuánta materia prima del tipo T tiene hoy el proveedor S?" o "¿Cuál es la opción más barata para enviar artículos de la fábrica F al minorista R?". El LLM puede traducir esas preguntas en consultas de ciencia de datos que, a su vez, se introducen en el repositorio de datos de la empresa (por ejemplo, una base de datos SQL) y luego proporcionan una respuesta en una frase completa. Desde el punto de vista de la privacidad, resulta significativo que el LLM pueda utilizarse como un servicio en la nube, lo que significa que no es necesario transferir los datos de propiedad a un LLM de terceros. Más allá de servir como herramienta para comprender el estado actual de la cadena de suministro de una empresa, el LLM puede utilizarse para explicar las decisiones tomadas por el sistema de la cadena de suministro y proporcionar perspectivas adicionales, como información sobre tendencias. Por ejemplo, un planificador podría hacer preguntas sobre tendencias recientes: "¿Qué fábrica fue la más productiva la semana pasada?" o "¿Cuál fue el número o porcentaje de casos el mes pasado en los que el coste total del envío superó los 50.000 dólares?". A continuación, ofrecemos ejemplos concretos de los primeros usuarios de LLM para el descubrimiento de datos y la obtención de información. Seguimiento de los cambios en la demanda. La computación en nube es un negocio multimillonario que requiere que proveedores como Amazon, Microsoft, Google y otros realicen grandes inversiones para construir centros de datos, equiparlos con hardware y operarlos para que su capacidad esté disponible. Deben satisfacer constantemente la creciente demanda de esos servicios al tiempo que minimizan los costes operativos y de hardware. Para ello, los proveedores de servicios en la nube toman periódicamente decisiones de despliegue de hardware que tienen en cuenta muchas consideraciones de costes, como el envío y la depreciación del hardware, y consideraciones operativas, como la compatibilidad del hardware, el inventario y el personal disponible para llevar a cabo los despliegues de servidores. En Microsoft, la demanda de servidores procede de grupos empresariales internos que poseen diferentes ofertas en la nube (por ejemplo, Azure Storage, Azure Virtual Machines y Microsoft 365). La demanda se especifica mediante una solicitud, que incluye el tipo y el número de servidores necesarios, la región en la que deben acoplarse los servidores y la fecha ideal de acoplamiento. Utilizando esas peticiones como entradas, el equipo de la cadena de suministro genera periódicamente un único plan de demanda. Los ingenieros de Microsoft ejecutan periódicamente una herramienta de optimización informatizada para producir un plan de cumplimiento que asigna el hardware real de los almacenes de suministro y especifica cuándo se enviarán a los centros de datos. Los planificadores de Microsoft supervisan el plan de cumplimiento. Sus tareas incluyen confirmar que el plan de cumplimiento satisface las necesidades de las empresas y asegurarse de que los servidores se han desplegado de acuerdo con el plan de cumplimiento. Los servidores desplegados suelen ser utilizados por el grupo empresarial durante varios años hasta que son retirados del servicio. El LLM puede utilizarse para explicar las decisiones tomadas por el sistema de la cadena de suministro y proporcionar perspectivas adicionales, como información sobre tendencias. Los planificadores también supervisan mensualmente los cambios en el plan de demanda, denominados deriva de la demanda, para asegurarse de que el plan revisado cumple todos los requisitos de los clientes y se ajusta a las directrices presupuestarias. La tarea de evaluar la deriva de la demanda la realizan tradicionalmente los planificadores, que a menudo implican en el proceso a científicos de datos e ingenieros de diferentes unidades de negocio. Una vez comprendidos los cambios, los planificadores preparan un resumen ejecutivo para explicar los cambios de cada región. La tecnología basada en LLM se encarga ahora de todo esto. Genera automáticamente un informe por correo electrónico en el que se detalla quién ha realizado cada cambio y el motivo por el que lo ha hecho. También señala posibles errores que los planificadores pueden revisar. Por ejemplo, supongamos que la demanda (el número total de servidores) en el nuevo plan es menor que en el antiguo. El correo electrónico puede señalar la razón exacta por la que la demanda ha disminuido: por ejemplo, la introducción de una nueva generación de hardware más eficiente que permite utilizar menos servidores. Esta herramienta de LLM permite a los planificadores completar por sí mismos el análisis de la desviación de la demanda en cuestión de minutos; antes les llevaría alrededor de una semana. Hacer cumplir los contratos. En la industria del automóvil, los fabricantes de equipos originales (OEM) como Ford, Toyota y General Motors tienen miles de proveedores y múltiples contratos con cada uno de ellos. Estos contratos especifican los detalles del precio pagado por el OEM, los requisitos de calidad, los plazos de entrega y las medidas de resistencia que deben tomar los proveedores para garantizar el suministro. Tras alimentar el LLM con los datos de miles de contratos, un OEM pudo identificar las reducciones de precio a las que tenía derecho por superar un determinado umbral de volumen. Su equipo de aprovisionamiento había pasado por alto esa oportunidad debido a la complejidad y el número de los contratos. El resultado fue un ahorro de millones de dólares en aprovisionamiento. Un LLM permite a los planificadores formular preguntas detalladas. He aquí algunos ejemplos: "¿Cuál sería el coste adicional de transporte si la demanda global de productos aumentara un 15%?". "¿Cuál sería el coste adicional de aprovisionamiento si el minorista R sólo utilizara productos de la fábrica F?". "¿Podemos satisfacer toda la demanda si cerramos la fábrica F?". "¿Cuánto se reduciría el coste total de producción del producto P si el coste de la materia prima tipo M fuera 1 $ menos por unidad?" He aquí cómo un LLM puede responder a preguntas como éstas con precisión y eficacia. Muchas tareas de optimización se escriben en forma de programas matemáticos, que tienen en cuenta la estructura de la cadena de suministro y todos los requisitos empresariales y generan recomendaciones eficaces para la cadena de suministro. Un LLM no sustituye al modelo matemático, sino que lo complementa. En concreto, traduce una consulta humana en un código matemático que supone una pequeña modificación del modelo matemático original utilizado para elaborar el plan. Por ejemplo, obligar a un minorista a utilizar productos de una fábrica determinada puede hacerse añadiendo un requisito matemático, o "restricción", que prohíba a otras fábricas enviar productos a ese minorista. Este pequeño cambio en el modelo matemático se introduce entonces en la herramienta de la cadena de suministro para producir un plan modificado, que sólo se utiliza para compararlo con el existente. Como antes, la salida del nuevo modelo matemático se pasa entonces por el LLM para producir la respuesta en lenguaje humano. (Para conocer este enfoque de utilizar un LLM para obtener información actual sobre la cadena de suministro y plantear preguntas de tipo "¿y si...?", puede encontrar el código de código abierto y los puntos de referencia de Microsoft en github.com/microsoft/OptiGuide). Considere cómo los planificadores de la operación de servicios en la nube de Microsoft utilizan esta capacidad para crear un plan de cumplimiento que asigna los servidores que deben enviarse desde los almacenes a los centros de datos. Para cada solicitud, las decisiones principales consisten en (1) el tipo de servidor y el almacén que se utilizará para satisfacer la demanda, (2) la fecha de envío y (3) el objetivo de acoplamiento de los servidores (el centro de datos específico y la ubicación concreta dentro del mismo). El objetivo es minimizar el coste total de los múltiples componentes, como los gastos de envío y el coste de oportunidad estimado de retrasar el despliegue de los servidores más allá de la fecha ideal. Alana Paterson fotografió petroleros y portacontenedores en alta mar para un reportaje sobre los efectos del ruido oceánico en la vida marina. Cuando los planificadores reciben el resultado de la herramienta de optimización, pueden confirmar que satisface las necesidades de la empresa y asegurarse de que se ejecuta en consecuencia. Sin embargo, las cuestiones de optimización subyacentes son tan complejas que puede resultar difícil, si no imposible, comprender inmediatamente el razonamiento que hay detrás de cada decisión. En consecuencia, los planificadores suelen ponerse en contacto con los ingenieros y los científicos de datos que desarrollaron la herramienta de optimización para obtener información adicional. Los planificadores y los ingenieros suelen necesitar varias rondas de interacciones para explorar a fondo una cuestión o un escenario posibles, lo que puede suponer un retraso de días. Ahora, el sistema basado en LLM permite a los planificadores obtener en pocos minutos respuestas a preguntas como "¿Cuál es el porcentaje de aumento de costes si cumplimos un pedido específico en la fecha solicitada frente a otra fecha?" y "¿Cuál sería el aumento de costes si desactivamos un determinado almacén durante una semana?". Los planificadores pueden utilizar la tecnología LLM para actualizar los modelos matemáticos de la estructura de una cadena de suministro y los requisitos empresariales para reflejar el entorno empresarial actual. Además, un LLM puede actualizar a los planificadores sobre un cambio en las condiciones empresariales. Supongamos que los planificadores han recibido información en tiempo real de que una planta de fabricación concreta estará parada siete días debido a una tormenta invernal. Para actualizar el plan de ventas y operaciones (S&OP) para tener en cuenta la interrupción sin la ayuda de un LLM, los planificadores tendrían que involucrar a los equipos de IT y de ciencia de datos para realizar los ajustes necesarios en el plan, un proceso que podría llevar mucho tiempo. Con la ayuda de un LLM, sin embargo, los planificadores pueden pedir directamente al sistema que genere un nuevo plan que evite el uso de la instalación perturbada. Si el nuevo plan no es capaz de satisfacer toda la demanda prevista, la herramienta de planificación asistida por el LLM no sólo generará un S&OP actualizado y los costes correspondientes (por ejemplo, costes de aprovisionamiento y transporte), sino que también identificará la demanda que no puede ser abastecida y el impacto en la rentabilidad. En los próximos años, la tecnología basada en LLM soportará escenarios de toma de decisiones de principio a fin. La necesidad de cambiar el plan de aprovisionamiento también puede venir impulsada por la tecnología basada en LLM. Por ejemplo, tras analizar los datos de envío de un proveedor concreto, puede generar una alarma que indique que el plazo de entrega del proveedor ha aumentado significativamente en los últimos meses. Además, la tecnología basada en el LLM predecirá el plazo probable del próximo envío y se lo comunicará al planificador. Al reconocer que el aumento del plazo de entrega afectará negativamente al nivel de servicio en una región específica a menos que se tomen medidas correctivas, el planificador puede pedir al sistema basado en el LLM que vuelva a ejecutar la herramienta de planificación con la nueva información y genere un nuevo plan. Ese plan, que el LLM transmite a los planificadores en lenguaje humano llano, puede exigir envíos acelerados del proveedor o la transferencia de inventario de un almacén que la empresa tenga en una región diferente a la región afectada. El uso de los LLM de las formas aquí comentadas es todavía relativamente nuevo. Prevemos que en los próximos años la tecnología basada en LLM apoyará escenarios de toma de decisiones de principio a fin. Por ejemplo, los usuarios podrán describir en lenguaje llano el problema de toma de decisiones que desean resolver. Podría tratarse de un problema específico de producción (dada una compleja red de instalaciones de fabricación, dónde y cuándo producir un determinado producto) o de un problema de asignación de inventarios (dado un inventario limitado en un almacén, cómo debería asignarse a las distintas tiendas para satisfacer la demanda de la forma más eficiente). La tecnología actual es capaz de generar tales modelos (matemáticos) y una recomendación, pero validar que el modelo representa correctamente el entorno empresarial sigue siendo actualmente un reto. A medida que las empresas empiecen a adoptar los LLM en la gestión de la cadena de suministro, tendrán que superar una serie de obstáculos para implantarlos con eficacia. Adopción y formación. Utilizar un LLM para optimizar las cadenas de suministro requiere un lenguaje muy preciso. Por ejemplo, si un usuario pregunta: "¿Podemos utilizar mejor la fábrica F?", la palabra "mejor" puede interpretarse de múltiples maneras: menores costes, mayor rendimiento, un rendimiento más equilibrado a lo largo del tiempo, etcétera. Cada interpretación conduce a decisiones diferentes. Por lo tanto, es crucial que las personas que utilicen el sistema reciban formación. Los planificadores pueden necesitar formación para formular preguntas más precisas, y los directivos y ejecutivos pueden requerir una escolarización en las capacidades y limitaciones de la tecnología basada en LLM. Por esas razones, Microsoft está desplegando gradualmente esta nueva tecnología, y la herramienta descrita anteriormente para responder a las preguntas de tipo "¿y si...?" sólo admite un conjunto de preguntas comunes. La empresa supervisará las interacciones de los usuarios, la precisión y los mecanismos de reserva y, con el tiempo, ampliará la cobertura. Los planificadores han recibido formación sobre la tecnología y se les ha facilitado el conjunto de preguntas que la herramienta admite actualmente. Alana Paterson Dell Technologies también reconoce la importancia de capacitar a su mano de obra para utilizar los LLM en su cadena de suministro. La experiencia temprana de la empresa con el uso de la IA a través de una asociación con un proveedor de aplicaciones para la cadena de suministro ha creado tanto un hambre de lo que es posible como una urgencia por preparar a las personas para gestionar la IA. "Formar a nuestra mano de obra humana para que plantee las preguntas adecuadas a la IA generativa está resultando ser un reto mayor que la propia tecnología", dijo a uno de nosotros (Tom) Sasha Pailet Koff, una vicepresidenta senior. Y añadió: "Desarrollar líderes que puedan gestionar la IA generativa frente a una mano de obra humana es fundamental. Sólo entonces podrán las empresas elegir los flujos de trabajo de aplicación más adecuados para la toma de decisiones con IA." Verificación. La tecnología de la IA puede producir ocasionalmente un resultado erróneo. Por lo tanto, un reto general es mantener la tecnología "dentro de los raíles", es decir, identificar los errores y recuperarse de ellos. En la actualidad, las empresas afrontan este reto proporcionando a los LLM ricos ejemplos específicos del dominio que aumentan la precisión de sus resultados y añadiendo mecanismos para identificar de antemano las consultas que la tecnología no admite. Por ejemplo, si se formula una pregunta no admitida, el sistema basado en LLM proporciona una respuesta por defecto del tipo "Lamentablemente, no puedo ayudarle con esta pregunta; aquí tiene la lista de preguntas admitidas". Naturalmente, la dificultad de verificar la precisión aumentará con la complejidad de la salida. Por ejemplo, supongamos que dejamos que el LLM genere todo un programa matemático para crear un plan de cumplimiento optimizado desde cero. ¿Cómo verificaría el sistema que es correcto? ¿Y cómo podemos garantizar que el programa producirá un plan óptimo en un tiempo razonable? Éstas siguen siendo preguntas abiertas que requieren más investigación. Nuevas funciones de la mano de obra. A medida que la tecnología LLM conduzca a un alto grado de automatización, el papel de los ejecutivos y planificadores cambiará. En lugar de dedicarse a un proceso de toma de decisiones que consume mucho tiempo y es propenso a errores humanos, los planificadores podrán aplicar la tecnología LLM para generar más conocimientos y explicar las recomendaciones de su tecnología de planificación de la cadena de suministro. Esto conducirá a un mayor nivel de confianza de los usuarios y a una adopción significativa de las recomendaciones de las herramientas. Del mismo modo, en el aprovisionamiento, los empleados tendrán que dedicar mucho menos tiempo a generar nuevos contratos; los LLM podrán diseñar contratos para una categoría de productos específica y proporcionar información sobre el rendimiento anterior de varios proveedores para ayudar a los ejecutivos a elegir el adecuado. Dicho de otro modo, una plantilla que utilice herramientas basadas en LLM podrá desplazar su atención de las tareas repetitivas del día a día a actividades de valor añadido, como pensar estratégicamente sobre diversas actividades de la cadena de suministro o colaborar internamente entre áreas funcionales y externamente con proveedores y clientes. Por ejemplo, los planificadores de la demanda pueden colaborar con los planificadores comerciales (responsables del marketing, los precios y los descuentos) para comprender el impacto del comercio en la previsión de la demanda. Según nuestra experiencia, ese tipo de colaboración no existe actualmente en la mayoría de las organizaciones. El reto, por supuesto, es garantizar que el liderazgo derribe los muros que existen entre las áreas funcionales y modifique los procesos empresariales para permitir la colaboración. . . . A pesar de estos retos, confiamos en que la tecnología basada en el LLM transformará la gestión de la cadena de suministro en un futuro próximo, mejorando su eficacia, resistencia, productividad y precisión. Complementará las tecnologías actuales de la cadena de suministro, permitiendo a los planificadores interactuar directamente con sus herramientas de la cadena de suministro sin necesidad de científicos de datos o ingenieros. Las empresas podrán automatizar un número importante de procesos de la cadena de suministro e incluso crear otros nuevos, por ejemplo integrando los procesos comerciales y de previsión. De hecho, esa integración daría lugar a un sistema de gestión de la cadena de suministro de bucle cerrado, en el que las funciones de comercio, cadena de suministro y finanzas colaboran para desarrollar un plan de suministro que se ajuste a todos los objetivos y requisitos empresariales y financieros. Dentro de unos años, la tecnología basada en LLM podría revolucionar verdaderamente la gestión de la cadena de suministro.

Cómo mejora la IA generativa la gestión de la cadena de suministro

Resumen.

Partner Center